人工神經(jīng)網(wǎng)絡(luò)與普通克里金插值法對(duì)土壤屬性空間預(yù)測(cè)精度影響研究

謝夢(mèng)姣，王 洋，康 營(yíng)，吳志濤，陳奇樂(lè)，劉 琦，吳超玉，張俊梅①

(1.河北農(nóng)業(yè)大學(xué)國(guó)土資源學(xué)院，河北 保定 071000；2.華北作物改良與調(diào)控國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071000；3.河北農(nóng)業(yè)大學(xué)資源與環(huán)境科學(xué)學(xué)院/ 河北省農(nóng)田生態(tài)環(huán)境重點(diǎn)實(shí)驗(yàn)室，河北 保定 071000；4.北京郵電大學(xué)信息與通信工程學(xué)院，北京 100876)

土壤有機(jī)質(zhì)(SOM)和全氮(TN)是反映土壤肥力水平的重要指標(biāo)，準(zhǔn)確獲取其空間分布特征和變異規(guī)律對(duì)田間管理模式及農(nóng)作物生產(chǎn)具有重要意義。土壤作為一個(gè)連續(xù)體，在實(shí)際空間變異研究中，通常無(wú)法對(duì)研究區(qū)域內(nèi)所有土壤點(diǎn)全部采樣分析，目前，主要通過(guò)空間插值法及數(shù)字化制圖技術(shù)，研究土壤屬性的空間分布特征。然而因計(jì)算方法和插值原理的不同，對(duì)于同一空間尺度的同一土壤屬性采用不同的插值方法，其表達(dá)的土壤屬性空間分布特征會(huì)有所不同，而對(duì)于不同空間尺度的同一土壤屬性采用不同插值方法，其預(yù)測(cè)精度高低也會(huì)有所改變。

不同尺度的研究樣區(qū)土壤有機(jī)質(zhì)和全氮的空間分布特征及空間變異性也不同，吳樂(lè)知等[1]發(fā)現(xiàn)土壤空間尺度越大，越能綜合、概括地分析研究對(duì)象的空間變化特征，而土壤空間尺度越小，越能詳細(xì)地反映研究對(duì)象局部微小空間區(qū)域的含量情況。而應(yīng)用不同插值方法得到的土壤屬性空間變異性也會(huì)有所不同，其預(yù)測(cè)結(jié)果精度也存在較大差異，探究預(yù)測(cè)精度較高的空間插值方法，對(duì)土壤屬性空間變異性研究具有重要意義。陳飛香等[2]采用徑向基函數(shù)(RBF)人工神經(jīng)網(wǎng)絡(luò)插值方法和傳統(tǒng)統(tǒng)計(jì)學(xué)插值方法進(jìn)行土壤鉻含量空間預(yù)測(cè)并對(duì)其預(yù)測(cè)結(jié)果精度進(jìn)行對(duì)比分析，發(fā)現(xiàn)RBF人工神經(jīng)網(wǎng)絡(luò)具有較好的空間預(yù)測(cè)能力，尤其是當(dāng)樣點(diǎn)較少時(shí)，其避免了普通克里金(ordinary Kriging)插值法預(yù)測(cè)的“平滑效應(yīng)”現(xiàn)象，是一種預(yù)測(cè)精度高、適用范圍廣的空間插值方法。在以往土壤學(xué)研究中，應(yīng)用不同空間插值方法對(duì)不同尺度土壤有機(jī)質(zhì)和土壤全氮空間分布特征的預(yù)測(cè)精度研究尚有不足[3]，而在以后的土壤科學(xué)研究中，探尋并應(yīng)用預(yù)測(cè)精度較高的空間插值方法揭示土壤屬性的空間分布特征及變異性，對(duì)合理利用和管理土壤資源及實(shí)現(xiàn)農(nóng)作物優(yōu)質(zhì)高產(chǎn)目標(biāo)，具有重要的理論與實(shí)踐意義。

該研究應(yīng)用普通克里金插值法和RBF人工神經(jīng)網(wǎng)絡(luò)插值法研究農(nóng)場(chǎng)和田塊兩種尺度土壤有機(jī)質(zhì)和全氮含量空間分布特征及變異性，并分析其預(yù)測(cè)結(jié)果的精度大小，確定空間預(yù)測(cè)效果最合適的空間插值方法，為土壤屬性空間分布圖的精確繪制提供最合適的空間插值方法參考，同時(shí)也為該研究樣區(qū)土壤有機(jī)質(zhì)和全氮的田間管理提供依據(jù)，為該研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布信息系統(tǒng)的建立提供全面、精準(zhǔn)的基礎(chǔ)數(shù)據(jù)資料。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于黃淮海平原北部，選取河北省寧晉縣(37°24′～37°48′ N，114°46′～115°15′ E)地形無(wú)起伏、位置相近的兩個(gè)代表性區(qū)域作為研究樣區(qū)，其中，農(nóng)場(chǎng)尺度研究樣區(qū)為面積1 km×1 km的農(nóng)田，田塊尺度研究樣區(qū)為面積50 m×50 m的農(nóng)田(圖1)。該區(qū)域?qū)倥瘻貛О敫珊导撅L(fēng)氣候區(qū)，年平均降水量和氣溫分別為449.1 mm和12.8 ℃。研究區(qū)土壤類(lèi)型主要為潮土， 土地利用方式為農(nóng)田， 耕作制度為小麥(Triticumasetivu)-玉米(Zeamays)輪作，一年兩熟。

1.2 研究方法

1.2.1采樣點(diǎn)設(shè)計(jì)

土壤樣品采集點(diǎn)的布設(shè)主要基于最優(yōu)布點(diǎn)方式，結(jié)合“規(guī)則格網(wǎng)、完全隨機(jī)、短距離點(diǎn)”3種方式布設(shè)[4]。農(nóng)場(chǎng)尺度研究樣區(qū)共設(shè)置采樣點(diǎn)100個(gè)，其中，通過(guò)python仿真實(shí)現(xiàn)隨機(jī)樣點(diǎn)布設(shè)，設(shè)置隨機(jī)樣點(diǎn)41個(gè)，規(guī)則格網(wǎng)為7×7單位頂點(diǎn)采樣49個(gè)，短距離樣點(diǎn)10個(gè)。田塊尺度研究樣區(qū)設(shè)置采樣點(diǎn)80個(gè)，隨機(jī)樣點(diǎn)34個(gè)，規(guī)則格網(wǎng)為6×6單位頂點(diǎn)采樣36個(gè)，短距離樣點(diǎn)10個(gè)，其中，從已經(jīng)進(jìn)行空間覆蓋設(shè)計(jì)的樣本點(diǎn)中隨機(jī)選取10個(gè)點(diǎn)布設(shè)短距離樣點(diǎn)，在隨機(jī)方向放置固定距離單位的點(diǎn)§。生成此采樣設(shè)計(jì)樣本后，進(jìn)行實(shí)地精確布點(diǎn)。短距離樣點(diǎn)的設(shè)置方法為隨機(jī)選取1個(gè)已布設(shè)樣點(diǎn)，以在隨機(jī)方向上與該點(diǎn)距離為§的點(diǎn)作為短距離樣點(diǎn)(圖1)。

(1)

式(1)中，n為研究區(qū)內(nèi)采樣點(diǎn)個(gè)數(shù)；l為每個(gè)采樣點(diǎn)與其最近采樣點(diǎn)的距離[5]。該研究中農(nóng)場(chǎng)尺度研究樣區(qū)§=4 m，田塊尺度研究樣區(qū)§=0.9 m。

1.2.2土壤有機(jī)質(zhì)和全氮含量測(cè)定

于2018年夏玉米收獲期(9月28日至30日)植株還未收割時(shí)，在玉米行間采用3點(diǎn)取樣法獲取土壤待測(cè)樣品，并在剔除小石子、樹(shù)根等影響試驗(yàn)指標(biāo)測(cè)定的雜物后，將土樣帶回室內(nèi)風(fēng)干保存以備土壤有機(jī)質(zhì)和全氮含量測(cè)定。分析測(cè)定采用常規(guī)的農(nóng)化分析法，土壤有機(jī)質(zhì)含量測(cè)定采用重鉻酸鉀氧化-容量法測(cè)定，土壤全氮含量采用開(kāi)氏消煮法測(cè)定。

1.3 數(shù)據(jù)處理與精度檢驗(yàn)

1.3.1數(shù)據(jù)處理與正態(tài)檢驗(yàn)

采用Microsoft Excel 2010和SPSS 17.0對(duì)土壤有機(jī)質(zhì)和全氮含量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。將用3S準(zhǔn)則法識(shí)別后未發(fā)現(xiàn)異常值的土壤有機(jī)質(zhì)和全氮含量數(shù)據(jù)按照布點(diǎn)方案進(jìn)行樣本創(chuàng)建，并進(jìn)行K-S正態(tài)分布檢驗(yàn)，發(fā)現(xiàn)各方案土壤有機(jī)質(zhì)和全氮含量數(shù)據(jù)均符合正態(tài)分布。

1.3.2空間插值

通過(guò)普通克里金和RBF人工神經(jīng)網(wǎng)絡(luò)兩種插值方法，利用已獲取樣點(diǎn)的土壤有機(jī)質(zhì)和土壤全氮含量空間分布信息進(jìn)行空間插值，獲取在農(nóng)場(chǎng)和田塊兩個(gè)尺度研究樣區(qū)內(nèi)土壤有機(jī)質(zhì)和土壤全氮含量空間分布特征，并研究?jī)煞N插值方法的預(yù)測(cè)精度，從而尋求較為可靠的土壤屬性空間分布研究方法。

普通克里金空間插值法是應(yīng)用地統(tǒng)計(jì)學(xué)原理，通過(guò)已知部分空間樣本信息對(duì)未知地理空間特征進(jìn)行預(yù)測(cè)的方法[6]。采用GS+ 10.0對(duì)土壤有機(jī)質(zhì)和全氮含量空間變異的半變差函數(shù)進(jìn)行分析，應(yīng)用普通克里金插值方法對(duì)農(nóng)場(chǎng)和田塊兩個(gè)尺度研究樣區(qū)的土壤有機(jī)質(zhì)和全氮含量空間插值進(jìn)行預(yù)測(cè)，并用ArcGIS 10.2對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布特征制圖[7-10]。普通克里金插值法公式為

(2)

(3)

式(3)中，μ為拉格朗日乘數(shù)；γ(xi,xj)為點(diǎn)xi和點(diǎn)xj兩個(gè)實(shí)測(cè)值之差的平方的一半;γ(xi,x0) 為點(diǎn)xi實(shí)測(cè)值和未測(cè)點(diǎn)x0預(yù)測(cè)值之差的平方的一半。

RBF人工神經(jīng)網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)。第一層是由感知單元(源節(jié)點(diǎn))組成的輸入層，其功能只是傳遞輸入信號(hào)到隱層；第二層是計(jì)算節(jié)點(diǎn)的隱含層，其傳遞函數(shù)是由像高斯核函數(shù)(Gaussian kernel function)那樣的輻射狀作用函數(shù)(徑向基函數(shù))組成；第三層即輸出層，其節(jié)點(diǎn)函數(shù)通常為簡(jiǎn)單的線(xiàn)性函數(shù)。RBF人工神經(jīng)網(wǎng)絡(luò)插值分析計(jì)算基于Matlab，以神經(jīng)網(wǎng)絡(luò)工具箱為基礎(chǔ)經(jīng)編程實(shí)現(xiàn)，使用newrbe函數(shù)構(gòu)建RBF人工神經(jīng)網(wǎng)絡(luò)模型。模型輸入?yún)?shù)為X,Y坐標(biāo)，并對(duì)其作歸一化處理，以提高其學(xué)習(xí)速度，模型輸出為研究樣區(qū)內(nèi)不同空間位置土壤有機(jī)質(zhì)和全氮含量，并用ArcGIS軟件進(jìn)行數(shù)字制圖，從而得到研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布特征。

使用最常用的高斯核函數(shù)，如式(4)：

(4)

式(4)中，μj為第j個(gè)隱含層節(jié)點(diǎn)的輸出；x為神經(jīng)網(wǎng)絡(luò)的輸入；cj為高斯函數(shù)的中間值；δj為標(biāo)準(zhǔn)化常數(shù)；Nh為隱含層節(jié)點(diǎn)數(shù)。由式(4)可知，節(jié)點(diǎn)輸出范圍在0和1之間，且輸入樣本越靠近節(jié)點(diǎn)中心，輸出值就越大。

1.3.3空間預(yù)測(cè)精度檢驗(yàn)

采用交叉驗(yàn)證作為土壤屬性空間預(yù)測(cè)精度的檢驗(yàn)方法，交叉驗(yàn)證作為目前最常用的精度檢驗(yàn)方法，通過(guò)比較驗(yàn)證數(shù)據(jù)點(diǎn)的預(yù)測(cè)值和實(shí)際測(cè)量值來(lái)評(píng)價(jià)預(yù)測(cè)精度。將均方根誤差(root mean squared error，RMSE，ERMS)、平均絕對(duì)誤差(mean absolute error，MAE，EMA)和平均相對(duì)誤差(mean relative error，MRE，EMR)作為預(yù)測(cè)精度的驗(yàn)證指標(biāo)，分析對(duì)比農(nóng)場(chǎng)與田塊2種尺度土壤有機(jī)質(zhì)和全氮含量空間預(yù)測(cè)精度。相關(guān)公式為

(5)

(6)

(7)

MAE、RMSE和MRE值越小，空間預(yù)測(cè)結(jié)果就越精確。

1.4 數(shù)據(jù)準(zhǔn)備

1.4.1農(nóng)場(chǎng)和田塊尺度下土壤有機(jī)質(zhì)和全氮含量的基本統(tǒng)計(jì)特征

農(nóng)場(chǎng)尺度和田塊尺度樣區(qū)內(nèi)耕層土壤有機(jī)質(zhì)和全氮含量實(shí)測(cè)值的統(tǒng)計(jì)分析和K-S檢驗(yàn)結(jié)果見(jiàn)表1。由偏度系數(shù)和峰度系數(shù)可知，在兩種尺度下土壤有機(jī)質(zhì)和全氮含量基本服從正態(tài)分布。但兩個(gè)研究尺度下，耕層土壤有機(jī)質(zhì)和全氮含量的平均值、最大值和最小值均存在一定差異。農(nóng)場(chǎng)尺度和田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)含量平均值分別為12.75和13.36 g·kg-1，變化范圍分別為8.39～18.94和9.83～20.59 g·kg-1，變異系數(shù)分別為19%和15%，土壤全氮含量平均值分別為1.16和2.10 g·kg-1，變化范圍分別為0.31～2.01和0.59～2.90 g·kg-1，變異系數(shù)分別為30%和28%，農(nóng)場(chǎng)尺度和田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量均屬于中等程度變異(表2)。農(nóng)場(chǎng)尺度和田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量偏度和峰度均接近0，且K-S檢驗(yàn)呈正態(tài)分布(P>0.05)，均可以直接進(jìn)行空間插值和空間預(yù)測(cè)精度分析。

表1 土壤有機(jī)質(zhì)和全氮含量的統(tǒng)計(jì)特征

1.4.2農(nóng)場(chǎng)和田塊尺度土壤有機(jī)質(zhì)和全氮含量的空間結(jié)構(gòu)分析

為從整體上把握兩種尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量的空間分布特征，借助ArcGIS空間自相關(guān)工具，根據(jù)樣點(diǎn)位置及土壤各養(yǎng)分含量值采用全局Moran′sI統(tǒng)計(jì)量測(cè)量其空間自相關(guān)性(表2)。

空間自相關(guān)統(tǒng)計(jì)量指某位置上的數(shù)據(jù)與其他位置上的數(shù)據(jù)間的相互依賴(lài)程度。全局 Moran′sI指數(shù)是空間自相關(guān)分析中使用廣泛的檢測(cè)方法，當(dāng)Moran′sI值為正數(shù)時(shí)，表示空間聚集，當(dāng)該值為負(fù)數(shù)時(shí)，表示空間離散。農(nóng)場(chǎng)尺度和田塊尺度樣區(qū)土壤有機(jī)質(zhì)Moran′sI值分別為0.720 5和0.711 7，土壤全氮含量Moran′sI值分別為0.309 1和0.299 3，且兩種尺度土壤有機(jī)質(zhì)和全氮含量均表現(xiàn)為P<0.01，Z>2.58，這表明結(jié)果呈顯著水平，土壤與全氮Moran′sI和Z值均呈正的空間自相關(guān)性，但相關(guān)性不強(qiáng)。也就是說(shuō)兩種尺度研究區(qū)土壤各養(yǎng)分含量的空間分布呈聚集狀態(tài)，其高值和低值在空間分布上具有聚集趨勢(shì)，但此趨勢(shì)不強(qiáng)，屬于中等程度。

表2 Moran′s I 指數(shù)統(tǒng)計(jì)量

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)和全氮含量空間預(yù)測(cè)特征分析

表3顯示，農(nóng)場(chǎng)尺度研究樣區(qū)中有機(jī)質(zhì)含量變程范圍為400 m，全氮含量變程范圍為690 m，土壤有機(jī)質(zhì)和全氮含量自相關(guān)距離均小于研究樣區(qū)最大樣點(diǎn)間距(1 400 m)，大于研究樣區(qū)最小樣點(diǎn)間距(4 m)，田塊尺度研究樣區(qū)中有機(jī)質(zhì)含量變程范圍為84 m，全氮含量變程范圍為81.6 m，均大于研究樣區(qū)最大樣點(diǎn)間距(73.5 m)，這表明土壤有機(jī)質(zhì)和全氮含量在農(nóng)場(chǎng)和田塊尺度研究樣區(qū)均有空間變異性。農(nóng)場(chǎng)尺度土壤有機(jī)質(zhì)含量最優(yōu)半方差擬合模型為球狀模型，全氮含量擬合模型為指數(shù)模型，土壤有機(jī)質(zhì)和全氮含量塊金系數(shù)分別為54.8%和63.7%。田塊尺度土壤有機(jī)質(zhì)和全氮含量擬合模型均為指數(shù)模型，土壤有機(jī)質(zhì)和全氮含量塊金系數(shù)分別為44.8%和60.9%。這表明兩種尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量均呈中等程度空間變異性。

表3 農(nóng)場(chǎng)和田塊尺度土壤有機(jī)質(zhì)和全氮含量的普通克里金空間預(yù)測(cè)特征

2.2 土壤有機(jī)質(zhì)和全氮含量空間預(yù)測(cè)精度分析

由表4可知，基于RBF人工神經(jīng)網(wǎng)絡(luò)模型對(duì)農(nóng)場(chǎng)尺度和田塊尺度樣區(qū)土壤有機(jī)質(zhì)和全氮含量進(jìn)行空間分布預(yù)測(cè)所得預(yù)測(cè)值和實(shí)測(cè)值之間的回歸方程決定系數(shù)R2分別為0.90和0.91以及0.93和0.97，均高于普通克里金插值方法。這說(shuō)明基于RBF人工神經(jīng)網(wǎng)絡(luò)模型比基于普通克里金模型的空間插值法對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)模型的擬合能力更強(qiáng)。

表4 農(nóng)場(chǎng)尺度和田塊尺度兩種空間插值方法的預(yù)測(cè)精度分析

隨著采樣空間尺度的減小，采用普通克里金插值方法對(duì)有機(jī)質(zhì)含量進(jìn)行空間預(yù)測(cè)的MAE、RMSE和MRE分別降低0.3%、24.4%和37.8%，全氮含量空間預(yù)測(cè)的MAE、RMSE和MRE分別降低2.6%、2.7%和7.3%，隨尺度減小采用RBF人工神經(jīng)網(wǎng)絡(luò)插值方法對(duì)有機(jī)質(zhì)含量進(jìn)行空間預(yù)測(cè)的MAE、RMSE和MRE分別降低10.8%、32.3%和32.7%，全氮含量空間預(yù)測(cè)的MAE、RMSE和MRE分別降低1.8%、23.0%和5.0%，這表明同一種空間插值方法對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)精度隨著研究樣區(qū)空間尺度的減小均呈上升趨勢(shì)。

由表4可知，RBF人工神經(jīng)網(wǎng)絡(luò)插值法的預(yù)測(cè)誤差指標(biāo)均低于普通克里金插值法，其中，農(nóng)場(chǎng)尺度研究樣區(qū)采用RBF人工神經(jīng)網(wǎng)絡(luò)插值法對(duì)有機(jī)質(zhì)含量進(jìn)行空間預(yù)測(cè)的MAE、RMSE和MRE比普通克里金插值法分別降低3.4%、3.1%和8.4%，全氮含量預(yù)測(cè)的MAE、RMSE和MRE分別降低5.6%、0.2%和4.5%，田塊尺度研究樣區(qū)采用RBF人工神經(jīng)網(wǎng)絡(luò)插值法對(duì)有機(jī)質(zhì)含量進(jìn)行空間預(yù)測(cè)的MAE、RMSE和MRE比普通克里金插值法分別降低13.5%、13.3%和1.0%，全氮含量預(yù)測(cè)的MAE、RMSE和MRE分別降低4.9%、21.0%和2.1%，這表明在筆者研究所設(shè)定的空間采樣尺度下，同一空間尺度研究樣區(qū)中，RBF人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度優(yōu)于普通克里金插值。

2.3 農(nóng)場(chǎng)和田塊尺度土壤有機(jī)質(zhì)和全氮含量的兩種空間插值法預(yù)測(cè)結(jié)果分析

由圖2～3可知，農(nóng)場(chǎng)尺度和田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量總體狀況均較好。其中，田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布狀況整體一致，呈現(xiàn)東北部地區(qū)土壤有機(jī)質(zhì)和全氮含量較高且整體向西南部遞減的空間分布特征。農(nóng)場(chǎng)尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量呈現(xiàn)西北部地區(qū)含量較高且整體向西南部遞減的空間分布特征。

農(nóng)場(chǎng)尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量總體上大致呈現(xiàn)以西北部東南對(duì)稱(chēng)線(xiàn)含量較高向兩邊逐漸減少的空間分布趨勢(shì)，田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量大致呈現(xiàn)東北部含量較高逐漸向西南部減少的空間分布趨勢(shì)，兩種插值方法對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)的高值區(qū)和低值區(qū)的位置和范圍基本一致。

基于普通克里金插值法對(duì)農(nóng)場(chǎng)尺度和田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布的預(yù)測(cè)結(jié)果比較平滑，高值區(qū)、低值區(qū)連片分布。

而與之相比，基于RBF人工神經(jīng)網(wǎng)絡(luò)模型插值法的預(yù)測(cè)結(jié)果圖的高值區(qū)、低值區(qū)斑塊狀分布明顯，有一部分高值區(qū)包含明顯的低值部分，其空間分布預(yù)測(cè)結(jié)果更為細(xì)節(jié)化。土壤有機(jī)質(zhì)和全氮含量高值區(qū)包含明顯的低值部分，在一定程度上體現(xiàn)了研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)結(jié)果隨取樣布點(diǎn)設(shè)置及人為田間管理變化的細(xì)節(jié)信息。

綜合預(yù)測(cè)結(jié)果的總體和細(xì)節(jié)的對(duì)比分析，基于RBF人工神經(jīng)網(wǎng)絡(luò)模型插值法和普通克里金插值法預(yù)測(cè)的兩種尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間分布特征大體上呈現(xiàn)一致性，這表明兩種尺度研究樣區(qū)采用兩種插值方法得到的土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)的大體趨勢(shì)沒(méi)有太大偏差，而基于RBF人工神經(jīng)網(wǎng)絡(luò)模型插值法，在預(yù)測(cè)結(jié)果的細(xì)節(jié)上可以較大程度地避免普通克里金插值法的“平滑效應(yīng)”現(xiàn)象，提高預(yù)測(cè)精度。

3 討論

變程也稱(chēng)為自相關(guān)距離，在變程范圍內(nèi)的養(yǎng)分含量具有相關(guān)性，在該范圍之外沒(méi)有相關(guān)性。農(nóng)場(chǎng)尺度研究樣區(qū)中，土壤有機(jī)質(zhì)和全氮含量自相關(guān)距離均小于研究樣區(qū)最大樣點(diǎn)間距，大于研究樣區(qū)最小樣點(diǎn)間距?？臻g自相關(guān)范圍在農(nóng)場(chǎng)尺度范圍內(nèi)，受人為因素干擾大，區(qū)域變量存在隨機(jī)性變異，這表明施肥等人為因素導(dǎo)致農(nóng)場(chǎng)尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量空間變異性大。而田塊尺度研究樣區(qū)中有機(jī)質(zhì)和全氮含量變程范圍為均大于研究樣區(qū)最大樣點(diǎn)間距，這說(shuō)明土壤有機(jī)質(zhì)和全氮含量在田塊尺度范圍內(nèi)空間相關(guān)性較大，人為等隨機(jī)性因素影響小。

兩種尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量塊金值和基臺(tái)值均大于0，表明其半方差變化受到區(qū)域變量空間自相關(guān)性的影響，存在隨機(jī)性誤差。在空間分布預(yù)測(cè)圖中，農(nóng)場(chǎng)尺度研究樣區(qū)距離村莊近的地區(qū)土壤有機(jī)質(zhì)和全氮含量較高，這可能與人類(lèi)日常生活、畜牧生產(chǎn)等行為產(chǎn)生的碳素和氮素在村莊周?chē)鄯e，以及村莊附近田間施用糞便等有機(jī)肥較多有關(guān)[11]。經(jīng)實(shí)地調(diào)查發(fā)現(xiàn)，施肥量高的地區(qū)土壤有機(jī)質(zhì)和全氮含量明顯高于施肥量低的地區(qū)，該結(jié)果與人為施肥量越高，澆水越多，土壤有機(jī)質(zhì)和全氮含量越高的結(jié)論相一致，后續(xù)研究中需要進(jìn)一步探究人為活動(dòng)因子對(duì)土壤有機(jī)質(zhì)和全氮含量的影響。

從土壤有機(jī)質(zhì)和全氮含量空間分布預(yù)測(cè)結(jié)果來(lái)看，同一尺度研究樣區(qū)中，RBF人工神經(jīng)網(wǎng)絡(luò)插值法的空間分布預(yù)測(cè)誤差均小于普通克里金插值法的預(yù)測(cè)誤差，其精度更高。從預(yù)測(cè)圖來(lái)看，采用RBF人工神經(jīng)網(wǎng)絡(luò)插值法預(yù)測(cè)可以避免普通克里金插值法的“平滑效應(yīng)”現(xiàn)象，體現(xiàn)了研究樣區(qū)高值區(qū)和低值區(qū)分布真實(shí)細(xì)節(jié)的變化規(guī)律，預(yù)測(cè)結(jié)果更加精確，更加符合研究樣區(qū)土壤各養(yǎng)分含量分布的復(fù)雜實(shí)際情況。兩種插值方法中，普通克里金插值法是基于土壤屬性的空間自相關(guān)性且以鄰近樣點(diǎn)的土壤屬性值來(lái)預(yù)測(cè)未采樣的值。筆者研究中，土壤有機(jī)質(zhì)和全氮含量呈現(xiàn)中等程度空間自相關(guān)性，對(duì)預(yù)測(cè)精度會(huì)有所影響。而 RBF人工神經(jīng)網(wǎng)絡(luò)插值法基于RBF神經(jīng)網(wǎng)絡(luò)的高斯核函數(shù)，具有很強(qiáng)的非線(xiàn)性擬合能力，能以任意精度逼近任意函數(shù)。用已知采樣點(diǎn)的土壤屬性值作為期望輸出對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以更好地模擬地表空間坐標(biāo)的土壤屬性空間分布，即使在已知樣點(diǎn)較少的情況下，依然具有較高的預(yù)測(cè)精度[2]，RBF人工神經(jīng)網(wǎng)絡(luò)更適用于筆者研究中土壤有機(jī)質(zhì)和全氮含量的空間分布特征預(yù)測(cè)。這與李啟權(quán)等[12]應(yīng)用神經(jīng)網(wǎng)絡(luò)空間插值和克里金等空間插值法對(duì)土壤有機(jī)質(zhì)預(yù)測(cè)效果的研究結(jié)果一致，與許珊等[13]、梁旭光等[14]及楊海榮[15]對(duì)RBF人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度更高的研究結(jié)果一致。

基于RBF人工神經(jīng)網(wǎng)絡(luò)模型插值法的預(yù)測(cè)結(jié)果表現(xiàn)出的不僅只有土壤有機(jī)質(zhì)和全氮含量空間變異性信息，在一定程度上也能夠體現(xiàn)土壤有機(jī)質(zhì)和全氮含量隨人為管理因素變化的細(xì)節(jié)信息，使其預(yù)測(cè)結(jié)果更加貼近黃淮海平原北部白木村耕地研究樣區(qū)耕地土壤有機(jī)質(zhì)和全氮含量分布不規(guī)則的復(fù)雜實(shí)際情況，更加真實(shí)地反映出研究樣區(qū)土壤各有機(jī)質(zhì)和全氮含量的空間分布狀況，其土壤有機(jī)質(zhì)和全氮含量預(yù)測(cè)值更接近真實(shí)值。此外，在后續(xù)研究中可設(shè)置研究區(qū)面積相對(duì)更大的大尺度研究樣區(qū)，對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布進(jìn)行預(yù)測(cè)研究，對(duì)土壤有機(jī)質(zhì)和全氮含量預(yù)測(cè)尺度變化做出進(jìn)一步的補(bǔ)充和完善。

4 結(jié)論

基于農(nóng)場(chǎng)和田塊兩種尺度研究樣區(qū)，應(yīng)用RBF人工神經(jīng)網(wǎng)絡(luò)插值法和普通克里金插值法探究土壤有機(jī)質(zhì)和全氮含量空間分布特征，分析兩種插值方法對(duì)土壤屬性空間分布預(yù)測(cè)精度的影響，得出以下結(jié)論：

(1)農(nóng)場(chǎng)尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量范圍分別為8.39～18.94和0.31～2.01 g·kg-1，塊金系數(shù)分別為0.548和0.637，呈現(xiàn)中等程度的空間變異；田塊尺度研究樣區(qū)土壤有機(jī)質(zhì)和全氮含量范圍分別為9.83～20.59和0.59～2.90 g·kg-1，塊金系數(shù)分別為0.448和0.609，呈現(xiàn)中等程度的空間變異。

(2)采用RBF人工神經(jīng)網(wǎng)絡(luò)插值法得到的MAE、RMSE和MRE較小，R2較大，模型擬合較好，且避免了普通克里金插值結(jié)果的“平滑效應(yīng)”現(xiàn)象，RBF人工神經(jīng)網(wǎng)絡(luò)空間插值方法對(duì)土壤有機(jī)質(zhì)和全氮含量空間分布特征的預(yù)測(cè)精度更高，應(yīng)用RBF人工神經(jīng)網(wǎng)絡(luò)插值法探究土壤有機(jī)質(zhì)和全氮含量空間分布特征是科學(xué)易行且可靠的研究方法。